Adaptive Seamless Dose-Finding Trials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: We study early-stage dose-finding clinical trials with simultaneous consideration of efficacy and toxicity without parametric assumptions on the forms of the unknown dose-efficacy and dose-toxicity curves. We propose algorithms that adaptively allocate doses based on patient responses, in order to maximize the efficacy for the patients during the trial while minimizing the toxicity. Methodology/results: We leverage online learning to design the clinical trial and propose two algorithms. The first one follows dose-escalation principles and analyzes the efficacy and toxicity simultaneously. The second one uses bisection search to identify a safe dose range and then applies upper confidence bound algorithms within the safe range to identify efficacious doses. We show the matching upper and lower bounds for the regret of both algorithms. We find that observing the dose-escalation principle is costly, as the optimal regret of the first algorithm is in the order of [Formula: see text], worse than the optimal regret of the second algorithm, which is in the order of [Formula: see text]. We test our proposed algorithms with three benchmarks commonly used in practice on synthetic and real data sets, and the results show that they are competitive with or significantly outperform the benchmarks. Managerial implications: We provide a novel insight that following the dose-escalation principle inevitably leads to higher regret. The first proposed algorithm is suitable to use when little information about the dose-toxicity profile is available, whereas the second one is appealing when more information is available about the toxicity profile. Funding: This work was supported by the National Science Foundation [Grant 1651912]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2023.0246 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle